Logistische modellen fitten

Veel bedrijfsvraagstukken vragen om het voorspellen van een binaire responsvariabele. Je toekomstige werkgever wil misschien spam-e-mails, creditcardfraude of zeldzame ziekten detecteren.

Het logistische regressiemodel is de standaardmethode voor binaire classificatieproblemen.

In deze oefening gebruik je de Parkinsons-gegevensset uit de UCI-repository. Deze gegevensset bestaat uit diverse biomedische stemmetingen van mensen met en zonder de ziekte van Parkinson.

Je gebruikt de volgende variabelen uit de gegevensset:

status - 1 - als iemand de ziekte van Parkinson heeft, 0 - anders,
NHR - een maat voor de verhouding tussen ruis- en tooncomponenten in de stem,
DFA - een fractale schaalexponent van het signaal.

De gegevensset is beschikbaar als parkinsons.

Deze oefening maakt deel uit van de cursus

Oefenen met statistiek-vragen voor sollicitaties in R

Cursus bekijken

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Plot status vs NHR
___(status ~ ___, data = ___)

# Plot status vs DFA
___(___ ~ ___, ___ = ___)

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Oefenen met statistiek-vragen voor sollicitaties in R

SkillTag.level.advancedSkillTag.label

4.7+

Begin de cursus gratis

Want to increase your odds of acing your job interview? If so, brush up on your knowledge of probability theory. In this chapter, we'll roll dice and shoot baskets to explain probabilities using real-life examples.

Exercise 1: Discrete distributions Exercise 2: Probability functions Exercise 3: Bernoulli trials Exercise 4: Binomial distribution Exercise 5: Continuous distributions Exercise 6: Uniform distribution Exercise 7: Shape of normal distribution Exercise 8: Sample from normal distribution Exercise 9: Central limit theorem Exercise 10: Law of large numbers Exercise 11: Simulating central limit theorem

If the job description appeals to you review descriptive statistics before the interview. In this chapter, you will practice exploratory data analysis (EDA) using natural gas prices and data from a survey analysis.

Exercise 1: Descriptive statistics Exercise 2: Centrality measures Exercise 3: Variability measures Exercise 4: Categorical data Exercise 5: Survey analysis Exercise 6: Data encoding Exercise 7: Time series Exercise 8: Time series object Exercise 9: Wrangling time series Exercise 10: Principal Component Analysis Exercise 11: PCA - rotation Exercise 12: PCA - dimension reduction

March confidently into your job interview after reviewing confidence intervals. We'll review the t-test, ANOVA, and normality tests to prepare you for statistics-based coding questions.

Exercise 1: Normality tests Exercise 2: Shapiro-Wilk test Exercise 3: Q-Q plot Exercise 4: Inference for a mean Exercise 5: Confidence interval Exercise 6: One-sample t-test Exercise 7: Comparing two means Exercise 8: Two-sample t-test Exercise 9: Paired test Exercise 10: ANOVA Exercise 11: Comparing groups Exercise 12: ANOVA for plant growth

Is your potential employer planning to test your R skills? Make sure you’re prepared and practice model evaluation beforehand. In this chapter, we will fit and evaluate linear and logistic regression models using various biomedical datasets. By the end of this chapter, you’ll be fully prepared to answer any question the interviewer throws your way!

Exercise 1: Covariantie en correlatie Exercise 2: Covariantie uitrekenen Exercise 3: Lineair verband Exercise 4: Niet-lineair verband Exercise 5: Lineair regressiemodel Exercise 6: Lineaire modellen fitten Exercise 7: Voorspellen met lineaire modellen Exercise 8: Logistisch regressiemodel Exercise 9: Logistische modellen fitten

Huidige oefening

Exercise 10: Voorspellen met logistische modellen Exercise 11: Modelbeoordeling Exercise 12: Validatieset-aanpak Exercise 13: Regressie-evaluatie Exercise 14: Evaluatie van classificatie Exercise 15: Afronding